面向无人机影像森林树冠制图的自适应特征学习与小波保持

《Computers and Electronics in Agriculture》：Adaptive feature learning and wavelet preservation for forest canopy mapping from UAV imagery

　　

• •
  一种新颖的 GMNet 实现在复杂茂密森林中准确的森林冠层覆盖度制图。
• •
  GMNet 在茂密森林中仅使用 RGB 即达到了 83.93% 的总体准确率（OA），实现了最先进性能。
• •
  GADConv 动态调整权重以有效捕捉森林冠层特征。
• •
  MSWRD 有效避免了子采样过程中的特征丢失并增强了特征。
• •
  在不同区域和极端光照条件下具有鲁棒性，从而实现准确的森林管理。

引言

准确的冠层覆盖度制图是森林资源管理和生态保护的基础。作为光合作用的主要界面，冠层覆盖结构直接调节碳汇、生物多样性和生态系统服务（Walther et al., 2002）。然而，传统的实地调查劳动密集型且在大范围监测中经济上不可行（Crowther et al., 2015），而传统图像处理方法在复杂森林环境中缺乏鲁棒性（Alonzo et al., 2014）。

森林冠层覆盖度制图旨在在像素级别估算树冠覆盖的地面面积比例，这与单木树冠检测有着本质的区别。在茂密自然森林中，严重的树冠重叠常常使冠层边界模糊，使得使用光谱和视觉特征难以区分冠层区域。因此，实例级标注变得固有模糊，且实例分割往往产生不可靠的冠层覆盖度估计（He et al., 2023, Li et al., 2024）。此外，生成实例级真值劳动密集且受解释者差异的影响，限制了其可扩展性。大多数下游应用，包括碳储量估算、冠层闭合度评估和栖息地质量评估，依赖于基于面积的冠层覆盖度指标，而非单木属性。因此，语义分割更适合此任务，因为它直接划定冠层和非冠层区域，提供稳定的前景表示，并能够实现可扩展的基于无人机的冠层覆盖度估算，而无需实例分离带来的额外计算负担（He et al., 2023, Li et al., 2024, Veitch-Michaelis et al., 2024）。

然而，现有的语义分割方法在冠层覆盖度制图中面临两个内在挑战。首先，森林冠层表现出规则的几何形状和边界沿强方向变化，需要能够适应局部方向变化的特征提取器（Brandt et al., 2020, Brandt et al., 2024）。其次，无人机图像受阴影效应、林下植被干扰和光照变化的影响，导致光谱不一致，并增加了在特征压缩过程中保留边界信息的难度（Wang et al., 2021, 2022）。

这些挑战揭示了当前分割网络的三个主要局限性（图 1）。首先，标准卷积依赖于无法适应不同冠层边界方向的固定内核，限制了对不规则冠层识别所需的定向梯度特征的捕捉。其次，传统的下采样操作，如步幅卷积和池化，丢弃了高频边界和梯度信息（Liu et al., 2026, Wang et al., 2023, Wang et al., 2025），降低了冠层边缘划定的准确性。第三，光照变化削弱了模型在不同采集条件下的泛化能力。这些局限性在边界模糊严重的重叠冠层区域尤为明显。

为了解决这些挑战，我们提出了 GMNet，一种用于复杂森林环境中冠层覆盖度语义分割的梯度自适应动态卷积与多尺度小波区间下采样网络。具体而言，所提出的梯度自适应动态卷积（GADConv）模块基于局部梯度方向生成方向自适应内核，使感受野更好地与冠层轮廓对齐。多尺度小波区间下采样（MSWRD）策略通过小波变换将特征表示分解为多尺度频率成分，在特征压缩期间保留边缘信息。这两个模块被集成到带有多尺度融合块（MFBlock）的编码器-解码器框架中，该框架聚合不同阶段的层次特征以恢复空间细节并细化冠层边界表示。所提出的框架共同改善了光谱不一致和光照变化下的边界保留。主要贡献总结如下：

• 1)
  提出了一种梯度自适应动态卷积（GADConv）模块。通过正交滤波器提取冠层中心轮廓的方向性梯度语义，并根据方向角生成特征自适应的方向卷积内核，该模块实现了卷积感受野与冠层梯度方向之间的动态对齐，从而增强了特征提取的判别能力。
• 2)
  开发了一种多尺度小波区间下采样（MSWRD）策略。通过小波变换将特征表示分解为多尺度频率成分，所提出的策略有效地保留了下采样期间的边缘和梯度信息，从而加强了冠层轮廓特征的表示。
• 3)
  在基准冠层制图数据集上进行的广泛实验表明，GMNet 在总体准确率上优于主流的遥感分割方法，同时在复杂多变的环境条件下保持了稳定的性能。

章节摘要

森林冠层覆盖度制图

森林冠层覆盖度制图是精准林业中的基础任务，支持森林清查、生态系统监测和可持续森林管理。其准确性直接影响下游应用，如生物量估算、病虫害监测和森林资源规划。现有方法主要分为实例分割和语义冠层分割（Pretzsch, 2014, Olson et al., 2025）。实例分割识别单木树冠且是

GMNet 整体架构

如图 3 所示，本文提出了 GMNet，旨在解决传统冠层分割方法中多尺度适应性和下采样期间严重信息损失的固有弱点，从而提高农业和林业遥感任务的分割精度和泛化性能。GMNet 由五个梯度特征提取块（GFEBlock）和四个多尺度融合块（MFBlock）组成。每个 GFEBlock 包含两个梯度自适应动态

数据集

森林冠层的高精度深度学习语义分割依赖于具有精细空间细节的厘米级无人机图像。该任务的公开基准数据集很少，尤其是纯 RGB 图像数据集。现有数据集在空间分辨率、标注协议、森林类型组成和评估方案方面存在相当大的不一致性，这阻碍了模型的公平比较和泛化能力的可信评估。此外，

结果

为评估主流高分辨率遥感制图模型的性能，选择了一组多样化的代表性方法进行对比分析。基准包括几种基于卷积神经网络（CNN）的架构，包括 MANet（Li et al., 2021）、DBBANet（Li et al., 2025）、SFFNet（Yang et al., 2024）、DSNet（Guo et al., 2024b）和 MCSNet（Chen et al., 2024b）。此外，纯视觉 Transformer（ViT）框架和混合 CNN-Transformer

整体模型性能

高精度的森林冠层制图与森林资源清查、精准管理和生态保护相关。实验结果表明，GMNet 支持在茂密森林环境中进行准确的基于无人机的冠层制图，同时减少了对多模态数据的依赖，从而提供了潜在的实用效益。现有高分辨率制图网络通常表现出有限的目标识别能力和对复杂背景的鲁棒性差异。如图 11 所示，

结论

准确的森林冠层制图对精准森林管理、碳汇估算和生态保护至关重要，因为冠层结构特征直接决定植被碳汇潜力，使精确的冠层特征提取成为可靠碳汇评估的关键。为解决现有冠层制图方法的局限性，包括对复杂森林背景适应能力不足、标准过程中不可避免的特征细节丢失

CRediT 作者贡献声明

Shikuan Wang：写作 – 审阅与编辑，写作 – 原稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式化分析，数据管理，概念化。Jianzhou Gong：写作 – 审阅与编辑，验证，监督，项目管理，方法论，资金获取，概念化。Mengquan Wu：验证，监督，概念化。Longxin Liu：验证，软件，调查。Mingbin Guo：

利益冲突声明

作者声明他们不存在已知的竞争经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

致谢

本工作得到了重点项目国家自然科学基金（批准号 42571358）、国家自然科学基金（批准号 42601449、4243000531）和广东省农村区域系统野外科学观测研究站项目（批准号 2021B1212050026）的支持。

Shikuan Wang|Jianzhou Gong|Mengquan Wu|Longxin Liu|Mingbin Guo|Haiwei Yuan